14
00
正如评论中所指出的， 这里是阅读层顺序的绝佳资源。我已经浏览了评论，这是我在互联网上找到的主题的最佳资源
我的2美分：
辍学是指完全阻止某些神经元发出的信息，以确保神经元不共适应。因此，批处理规范化必须在退出之后进行，否则您将通过规范化统计信息传递信息。
如果考虑一下，在典型的机器学习问题中，这就是我们不计算整个数据的均值和标准差，然后将其分为训练，测试和验证集的原因。我们拆分并计算训练集上的统计信息，并使用它们对验证和测试数据集进行归一化和居中
-> CONV / FC-> ReLu（或其他激活）->退出-> BatchNorm-> CONV / FC
与方案2相反
-> CONV / FC-> BatchNorm-> ReLu（或其他激活）->退出-> CONV / FC->接受的答案
请注意，这意味着与方案1下的网络相比，方案2下的网络应显示出过拟合的状态，但是OP进行了上述测试，并且它们支持方案2
收藏
笪高达• 677
评论 0
在《 Ioffe and Szegedy 2015》中 ，作者指出“我们希望确保对于任何参数值，网络始终以期望的分布产生激活”。因此，批处理规范化层实际上是在转换层/完全连接层之后，但在馈入ReLu（或任何其他种类的）激活之前插入的。有关详情，请在53分钟左右观看此视频 。
就辍学而言，我相信辍学是在激活层之后应用的。在丢弃纸图3b中，将隐藏层l的丢弃因子/概率矩阵r（l）应用于y（l），其中y（l）是应用激活函数f之后的结果。
因此，总而言之，使用批处理规范化和退出的顺序为：
-> CONV / FC-> BatchNorm-> ReLu（或其他激活）->退出-> CONV / FC->
收藏
Carl Agnes• 709
评论 0
我找到了一篇论文，解释了Dropout和Batch Norm之间的不和谐。关键思想是他们所谓的“方差转移” 。这是因为，辍学在训练和测试阶段之间的行为有所不同，这改变了BN学习的输入统计数据。主要思想可以在此图中找到，该图取自论文： https : //arxiv.org/abs/1801.05134 
可以在此笔记本中找到有关此效果的小型演示https://github.com/adelizer/kaggle-sandbox/blob/master/drafts/dropout_bn.ipynb
收藏
东方鹏天• 689
评论 0
正确的顺序为：转换>规范化>激活>退出>池化
收藏
Bernie Saul• 639
评论 0
伯芦• 663
Dropout （当您拥有BN ）： Dropout的需求，因为BN直观上提供了与Dropout类似的正则化好处” Dropout 有关更多详细信息，请参见本文[ 通过方差Shift理解辍学和批处理规范化之间的不和谐 ]，如@Haramoz在评论中已经提到的。
收藏
谈胤文• 678
评论 
关于我们
常见问题
内容许可
联系我们
0
最初的问题是关于TensorFlow实现的。但是，答案是针对一般的实现。这个通用答案也是TensorFlow的正确答案。
在TensorFlow中使用批量归一化和辍学时（特别是使用contrib.layers），我需要担心订购吗？
如果我在退出后立即使用批处理规范化，则可能会出现问题。例如，如果批次归一化训练中的偏移量训练输出的比例尺数字较大，但随后将相同的偏移量应用于较小的比例尺数字（由于补偿了具有更多输出量）的比例尺数字，而在测试过程中没有丢失，则轮班可能关闭。 TensorFlow批处理规范化层会自动对此进行补偿吗？还是由于某种原因我不会想念这件事吗？
另外，将两者一起使用时还有其他陷阱吗？例如，假设我使用他们以正确的顺序在关于上述（假设有一个正确的顺序），可以存在与使用分批正常化和漏失在多个连续层烦恼？我没有立即看到问题，但是我可能会丢失一些东西。
非常感谢！
更新：
实验测试似乎表明排序确实很重要。我在相同的网络上运行了两次，但批次标准和退出均相反。当辍学在批处理规范之前时，验证损失似乎会随着培训损失的减少而增加。在另一种情况下，它们都下降了。但就我而言，运动缓慢，因此在接受更多培训后情况可能会发生变化，这只是一次测试。一个更加明确和明智的答案仍然会受到赞赏。